پیش بینی میان مدت و بلند مدت توان تولیدی نیروگاه بادی با شبکه های عصبی آموزش یافته با الگوریتم های ژنتیک و اجتماع ذرات

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 819

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ELECTRICA01_066

تاریخ نمایه سازی: 11 اردیبهشت 1394

چکیده مقاله:

انرژی بادی به عنوان یکی از منابع انرژی تجدیدپذیر و با آلودگی بسیار کم در سالهای اخیر رشد چشمگیری داشته است یکی از مشکلات اساسی در استفاده از انها تغییرات سریع در میزان توان استحصالی از این توربین ها می باشد. پیش بینی توان باد و آگاهی از مقدار آن در آیندهاز اهمیت بالایی برای بهره برداران سیستم قدرت، به منظور تخصیص بهینه واحد های تولیدی و نیز مالکان نیروگاه های بادی برخوردار است . در این مقاله با استفاده از شبکه های عصبی بازگشتی اموزش یافته با الگوریتم ژنیک و اجتماع ذرات پیش بینی توان نیروگاه بادی انجام گرفته. داده های موجود برای دو سایت واشنگتن و مونتانا واقع در ایالات متحده آمریکا برای سال های 8002 و 8002 مورد استفاده قرار گرفته این اطلاعات شامل سرعت های باد،رطوبت، دمای سایت نیروگاه، توان خروجی می باشد ورودی شبکه ایجاد شده شامل سرعت باد دمای هوا رطوبت خروجی شبکه توان تولیدی توربین های بادی می باشد.

کلیدواژه ها:

نویسندگان

حسین لطفی

کارشناسی ارشد برق قدرت - - دانشگاه آزاد اسلامی واحد بجنورد

تکتم لطفی

کارشناسی ارشد برق کنترل - - دانشگاه آزاد اسلامی واحد گناباد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • K. Methaprayoon, C. Yingviv atanapong, W. J. Lee, and J. ...
  • Kusiak, A., Zheng, H., and Song, Z., "Models for monitoring ...
  • Catalao, J., Pousinho, H., and Mendes, V, "Hybrid intelligent approach ...
  • Torres, J.L., Garcia, A., De Blas, M., De Francisco, A.: ...
  • Kavasseri, R.G., Seetharaman, K.: 'Day-ahead wind speed forecasting using f-ARIMA ...
  • P. Flores, A. Tapia, and G. Tapia, "Application o f ...
  • Damousis, I., Alexiadis, M., Theocharis, J., and Dokopoulos, P., _ ...
  • Potter, C.W., Negnevitsky, W.: 'Very short-term wind forecasting for Tasmanian ...
  • Shuhui, L., Wunsch, D. C., O'Hair, E., and Giesselmann, M. ...
  • LI Xingpei, LIU Yibing, XIN Weidong .Wind Speed Prediction Based ...
  • Clerc, M., Kennedy, J., 2002. The particle swarm-explo sion, stability, ...
  • Konstantinos E. Parsopoulos and Michael N Vrahatis, "On the Computation ...
  • All Global Minimizers Through Particle Swarm Optimization", IEEE TRAN SACTIONS ...
  • نمایش کامل مراجع